Изучение энергетических ландшафтов динамических систем с помощью энергетического вариационного оптимального транспорта в условиях компромисса между количеством и качеством данных

Всеоптическая двухфотонная голографическая оптогенетика позволяет проводить причинное картирование цепей, стимулируя определенные нейроны или ансамбли при одновременной визуализации активности популяций. Однако полное картирование связей остается экспериментально непрактичным из-за комбинаторной сложности, нагрева тканей, фотоповреждений и временных затрат на эксперименты. Мы представляем OPhELIA (Оптимальный Выбор Фотостимуляции для Итеративных Карт Активности), байесовскую структуру для выбора информативных возмущений при ограниченных бюджетах испытаний. OPhELIA сочетает в себе инференцию связанности Бета-Бернулли с эвристикой приобретения, основанной на неоднозначности, и усвоенными приоритетами, полученными из нейронной активности до стимуляции, что улучшает активное обучение и сжатое ощущение. В автономных симуляциях и in vivo экспериментах с визуомоторными действиями личинок данио, OPhELIA с активным обучением улучшает эффективность испытаний при приближении к полным функциональным коннектомам. В комбинаторных in vivo экспериментах OPhELIA с сжатым восприятием наиболее точно восстанавливает полный коннектом, используя только 5% испытаний. Эти результаты подтверждают OPhELIA как эффективную структуру для причинных коннектомов.

Глубокое обучение в области компьютерного зрения для научных приложений требует сбора и аннотирования больших наборов данных в трудоемком, дорогом и подверженном ошибкам процессе. Генерация синтетических данных с помощью 3D-моделирования и рендеринга может упростить этот процесс и повысить точность аннотаций, генерируя их программно. Однако минимизация разрыва между реальными и синтетическими изображениями визуально является субъективной и не имеет систематических количественных критериев. Мы представляем GraNatPy, пакет для Python с метриками, помогающими улучшить рендеринг сцены. Мы показываем, что количественное увеличение реалистичности, разнообразия и размера созданного набора данных коррелирует с улучшением визуального восприятия сцены и более высоким качеством нулевого отслеживания в модели обнаружения объектов. Более того, мы продемонстрировали на примере фотографий вирусологических анализов, что сходство градиентов влияет на эффективность обнаружения небольших объектов, что может быть улучшено смешиванием реальных и синтетических данных. Наконец, мы превращаем процедурный рендеринг данных в агентную технологию (SynthClaw) для автоматизации оптимизации процедурных параметров.

Круговые данные, представляющие собой углы или направления, часто встречаются в таком областях, как компьютерное зрение, биология, геология и метеорология. Традиционная регрессия ориентируется на условное среднее, что часто оказывается геометрически вводящим в заблуждение для круговых откликов при многомодальных, скошенных или асимметричных структурах данных. Для решения этих ограничений предлагается легковесная глубокая генеративная структура, именуемая ANGLE, для непараметрической распределительной регрессии на круге. Полное условное распределение углового отклика, с учетом евклидовых и круговых ковариант, изучается через генеративную карту, оптимизированную с помощью обобщенной круговой энергетической оценки (GCES) потерь. Установлены желаемые теоретические свойства, включая строгую законность потерь и вращательную эквивариантность оценок. Кроме того, учитываются модели аддитивного шума как до, так и после. Предоставлен унифицированный инструмент для решения ранее недостаточно исследованных задач в круговой статистике: экстраполяция, достаточное уменьшение размерности и тестирование равенства условных распределений. Эффективность структуры продемонстрирована через обширные симуляции и реальные приложения. В частности, предложение используется для оценки поз объектов на изображениях и предсказания направления ветра, что имеет важное значение для систем наблюдения, автономных транспортных средств и энергетических систем соответственно. Были выявлены превосходные предсказательные характеристики и надежная оценка неопределенности предлагаемого метода в этих задачах.

Механизмы реакций состоят из пошаговых последовательностей элементарных реакций, которые объясняют химические преобразования. Поэтому изучение логики механизмов имеет решающее значение для повышения фундаментального химического интеллекта больших языковых моделей (БЯМ). Пошаговое выведение механизмов реакций естественно соответствует парадигмам рассуждений БЯМ. Однако текущие химические БЯМ в первую очередь акцентируют внимание на грубых наименованиях реакций для предсказания продуктов и ретросинтеза, что часто приводит к физическим несоответствиям и галлюцинациям. В отличие от этого, специализированные небольшие генеративные модели для вывода механизмов, как правило, страдают от ограниченной способности к обобщению в различных химических пространствах. Чтобы преодолеть эти ограничения, мы создали новый обширный набор данных для рассуждения о механизмах реакций. Более того, мы разработали FukuyamaBench — сложный эталон, основанный на книге Фукуямы «Современные механизмы органических реакций», для строгой оценки производительности моделей в иерархическом рассуждении о механизмах. Наша дообученная модель Qwen3-30B-A3B достигает 8,3% точного совпадения путей в наборе FukuyamaBench Set~A, превосходя специализированную модель FlowER (5,1%), что демонстрирует, что обучение с учетом механизмов значительно улучшает химическое рассуждение в языковых моделях.

Фундаментальный вопрос о том, какая первичная движущая сила приводит лиганды и рецепторы в близкое расположение, остается без ответа. В то время как предыдущие модели предполагают существование предварительного контакта и не учитывают эту проблему инициации, мы предполагаем, что энтропийные силы, возникающие от наномасштабных биомолекул в переполненных клеточных средах, обеспечивают необходимый движущий механизм. Мы разрабатываем единый континуум-модель, основанную на вариационном принципе Онсагера, где глубина поглощения служит обобщенной координатой, а движущая сила возникает из ландшафта свободной энергии, состоящего из энтропийных, связывающих, мембранных и цитоскелетных вкладов. Эта структура естественным образом включает: (i) прикрепление, управляемое энтропией, в качестве инициации; (ii) связывание лиганда и рецептора как поддерживающую силу; (iii) деформацию мембраны через гамильтониан Хельфриха-Канэма; и (iv) вискоупругость цитоскелета через принцип соответствия упругости и вискоупругости. Кинетическая фазовая диаграмма предсказывает критическую концентрацию биомолекул для инициации, нижнюю границу плотности лиганда для полного поглощения, конечный размерный диапазон для поглощаемых частиц и оптимальный радиус вируса 30-60 нм, который уменьшается с увеличением энергии связывания. Условие растворимости Онсагера естественным образом дает границы фаз. Модель демонстрирует асимптотическую согласованность с классическим результатом Асакира-Оосавы в пределе больших частиц на плоской поверхности. Более жесткие клетки приводят к более длинным временам поглощения и более узким размерным диапазонам. Поразительно, что оптимальный размер соответствует размерам ВИЧ-1 при физиологически реалистичных параметрах. Эта работа предоставляет вариационную основу для клеточного захвата с последствиями для вирусологии, нанотехнологий и доставки препаратов.

Мы рассматриваем проектирование кодов с низкой плотностью проверок на четность (LDPC) для данного итеративного декодера. Несмотря на такие инструменты, как прямая симуляция, эволюция плотности (DE) и анализ EXIT-графиков, выбор матрицы проверок на четность остается сложной комбинаторной задачей оптимизации. Существующие подходы часто полагаются на основанные на популяции методы поиска, случайные мутации, генетические алгоритмы или связанные эвристики, которые требуют тщательной настройки параметров и могут быть вычислительно затруднительными. Недавние методы, основанные на градиентном спуске (GD), оптимизируют расслабленные матрицы проверок на четность, дифференцируя через симуляции декодера. Однако такие стратегии с «декодером в петле» полагаются на шумные оценки Монте-Карло, требуют поиска по линии для мягких представлений матриц и остаются дорогостоящими для длинных кодов LDPC. Более того, хотя оптимизация проводится в расслабленной области, потери обычно оцениваются только для матриц проверок на четность с целочисленными значениями. В этой работе мы сосредотачиваемся на проектировании кодов LDPC на основе длинных протографов и предлагаем детерминированную структуру на основе GD, которая работает непосредственно с расслабленным представлением протографа. Каждая ячейка протографа интерпретируется как вероятность того, что соответствующий элемент равен единице. Функция потерь основана на показателе битовой ошибки (BER) в эволюции плотности и может быть непосредственно оценена для расслабленных протографов. Чтобы обосновать это расслабление, мы связываем расслабленное представление с ансамблем двоичных протографов и показываем, что предложенная расслабленная DE дает усредненные показатели DE для ансамбля. В результате оптимизационная процедура полностью автономна и использует стандартные методы GD. Благодаря детерминированной оценке DE и информативным градиентам предложенный подход обеспечивает быструю и надежную сходимость. Численные эксперименты для декодера min-sum показывают, что оптимизированные протографы превосходят коды LDPC 5G с теми же размерами протографов.